常见算子使用_Flink算子使用方法及实例演示：keyBy、reduce和aggregations

Flink的Transformation转换主要包括四种：单数据流基本转换、基于Key的分组转换、多数据流转换和数据重分布转换。本文主要介绍基于Key的分组转换，关于时间和窗口将在后续文章中介绍。读者可以使用Flink Scala Shell或者Intellij Idea来进行练习：

• Flink Scala Shell：使用交互式编程环境学习和调试Flink
• Flink 01 | 十分钟搭建第一个Flink应用和本地集群
• Flink算子使用方法及实例演示：map、filter和flatMap

Photo by Steve Halama on Unsplash

数据类型的转化

对数据分组主要是为了进行后续的聚合操作，即对同组数据进行聚合分析。keyBy会将一个DataStream转化为一个KeyedStream，聚合操作会将KeyedStream转化为DataStream。如果聚合前每个元素数据类型是T，聚合后的数据类型仍为T。

DataStream和KeyedStream的转换关系

本文涉及的完整的代码在github上：https://github.com/luweizheng/flink-tutorials

keyBy

绝大多数情况，我们要根据事件的某种属性或数据的某个字段进行分组，对一个分组内的数据进行处理。如下图所示，keyBy算子根据元素的形状对数据进行分组，相同形状的元素被分到了一起，可被后续算子统一处理。比如，多支股票数据流处理时，可以根据股票代号进行分组，然后对同一股票代号的数据统计其价格变动。又如，电商用户行为日志把所有用户的行为都记录了下来，如果要分析某一个用户行为，需要先按用户ID进行分组。

keyBy示意图

keyBy算子将DataStream转换成一个KeyedStream。KeyedStream是一种特殊的DataStream，事实上，KeyedStream继承了DataStream，DataStream的各元素随机分布在各Task Slot中，KeyedStream的各元素按照Key分组，分配到各Task Slot中。我们需要向keyBy算子传递一个参数，以告知Flink以什么字段作为Key进行分组。

我们可以使用数字位置来指定Key：

val dataStream: DataStream[(Int, Double)] = senv.fromElements((1, 1.0), (2, 3.2), (1, 5.5), (3, 10.0), (3, 12.5))// 使用数字位置定义Key 按照第一个字段进行分组val keyedStream = dataStream.keyBy(0)

也可以使用字段名来指定Key，比如StockPrice里的股票代号symbol：

val stockPriceStream: DataStream[StockPrice] = stockPriceRawStream.keyBy(_.symbol)

一旦按照Key分组后，我们后续可以按照Key进行时间窗口的处理和状态的创建和更新。数据流里包含相同Key的数据都可以访问和修改相同的状态。关于如何指定Key，时间窗口和状态等知识，本专栏后续将有专门的文章来介绍。

aggregation

常见的聚合操作有sum、max、min等，这些聚合操作统称为aggregation。aggregation需要一个参数来指定按照哪个字段进行聚合。跟keyBy相似，我们可以使用数字位置来指定对哪个字段进行聚合，也可以使用字段名。

与批处理不同，这些聚合函数是对流数据进行数据，流数据是依次进入Flink的，聚合操作是对之前流入的数据进行统计聚合。sum算子的功能对该字段进行加和，并将结果保存在该字段上。min操作无法确定其他字段的数值。

val tupleStream = senv.fromElements(      (0, 0, 0), (0, 1, 1), (0, 2, 2),      (1, 0, 6), (1, 1, 7), (1, 2, 8))// 按第一个字段分组，对第二个字段求和，打印出来的结果如下：//  (0,0,0)//  (0,1,0)//  (0,3,0)//  (1,0,6)//  (1,1,6)//  (1,3,6)val sumStream = tupleStream.keyBy(0).sum(1).print()

max算子对该字段求最大值，并将结果保存在该字段上。对于其他字段，该操作并不能保证其数值。

// 按第一个字段分组，对第三个字段求最大值max，打印出来的结果如下：//  (0,0,0)//  (0,0,1)//  (0,0,2)//  (1,0,6)//  (1,0,7)//  (1,0,8)val maxStream = tupleStream.keyBy(0).max(2).print()

maxBy算子对该字段求最大值，maxBy与max的区别在于，maxBy同时保留其他字段的数值，即maxBy可以得到数据流中最大的元素。

// 按第一个字段分组，对第三个字段求最大值maxBy，打印出来的结果如下：//  (0,0,0)//  (0,1,1)//  (0,2,2)//  (1,0,6)//  (1,1,7)//  (1,2,8)val maxByStream = tupleStream.keyBy(0).maxBy(2).print()

同样，min和minBy的区别在于，min算子对某字段求最小值，minBy返回具有最小值的元素。

其实，这些aggregation操作里已经封装了状态数据，比如，sum算子内部记录了当前的和，max算子内部记录了当前的最大值。由于内部封装了状态数据，而且状态数据并不会被清理，因此一定要避免在一个无限数据流上使用aggregation。

注意，对于一个KeyedStream,一次只能使用一个aggregation操作，无法链式使用多个。

reduce

前面几个aggregation是几个较为特殊的操作，对分组数据进行处理更为通用的方法是使用reduce算子。

reduce示意图

上图展示了reduce算子的原理：reduce在按照同一个Key分组的数据流上生效，它接受两个输入，生成一个输出，即两两合一地进行汇总操作，生成一个同类型的新元素。

case class Score(name: String, course: String, score: Int)val dataStream: DataStream[Score] = senv.fromElements(  Score("Li", "English", 90), Score("Wang", "English", 88), Score("Li", "Math", 85),  Score("Wang", "Math", 92), Score("Liu", "Math", 91), Score("Liu", "English", 87))class MyReduceFunction() extends ReduceFunction[Score] {  // reduce 接受两个输入，生成一个同类型的新的输出  override def reduce(s1: Score, s2: Score): Score = {    Score(s1.name, "Sum", s1.score + s2.score)  }}val sumReduceFunctionStream = dataStream      .keyBy("name")      .reduce(new MyReduceFunction)

使用Lambda表达式更简洁一些：

val sumLambdaStream = dataStream      .keyBy("name")      .reduce((s1, s2) => Score(s1.name, "Sum", s1.score + s2.score))